[发明专利]基于深度学习的跨模块非刚体配准方法、系统及介质

说明书

本发明提供了一种基于深度学习的跨模块非刚体配准方法、系统及介质，包括：获取不同模态的三维影像，包括至少一幅参考影像和至少一幅浮动影像；获取三维影像的待配准区域，在参考影像的待配准区域内检测影像特征点；以每个影像特征点为中心，得到预设大小的图像块；将图像块输入到相似性网络，得到浮动影像的对应范围内的相似性图；将影像特征点的坐标信息和对应的相似性图输入位移网络，得到位移向量，对无影像特征点区域进行插值，得到位移向量场；根据位移向量场对浮动影像进行空间变换，得到配准结果。本发明通过提取影像特征点降低了低信息量点的干扰，提高了配准效率，尤其是当影像尺寸较大时效果更佳显著。

技术邻域

本发明涉及图像处理技术领域，具体地，涉及一种基于深度学习的跨模块非刚体配准方法、系统及介质。

背景技术

现代医疗诊断离不开各种医学影像的支持，医学多模态成像一般包含计算机断层扫描(Computed Tomography,CT)、磁共振成像(Magnetic Resonance Imaging,MRI)以及超声成像(Ultrasound,US)等，他们的成像各有特点，CT对于人体密度高的组织成像清晰，如骨骼、肝脏、肺和肾等组织，成像优势明显；MRI对软组织成像分辨率高等。多种影像模态的融合可以提供互补信息，更好地达到诊断、评估或介入的目的。例如，在计算机辅助诊断中，多模态影像的融合可以充分结合不同模态影像反映的组织特征，对是否存在病灶、病灶的性质以及范围给出更加准确的判读。而在微创手术导航中，术前影像和术中影像的融合可以实现术前规划与术中影像的叠加，可以为医生提供更加丰富直观的信息，提高介入过程中图像引导的质量，从而提高手术质量，改善临床结果。然而，不同模态的影像通常是使用不同的扫描仪器在不同时间点获得的，这一过程中伴有患者姿态和内部解剖结构的变化，因此，实现多模态影像融合的前提是进行多模态医学影像的配准，配准的精度直接决定着融合的效果。

跨模态医学影像配准是一个具有挑战性的问题，不同模态医学影像灰度分布之间的关系往往是复杂而未知的，此外，在一种模态中存在结构和特征，可能在另一种模态中缺失。传统的跨模态配准方法可以大致分为基于灰度值相似性的配准方法和基于解剖特征的配准方法。基于灰度值的配准方法主要使用跨模态灰度值相似性测度，例如互信息、互相关等；基于解剖特征的配准方法主要依赖于在不同模态影像中识别的标志点。近年来，深度学习技术发展迅速，在图像配准邻域也得到越来越多的研究和应用，有望解决传统配准中配准速度慢、配准精度不足等问题。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于深度学习的跨模块非刚体配准方法、系统及介质。

根据本发明提供的一种基于深度学习的跨模块非刚体配准方法，包括：

获取不同模态的三维影像，所述三维影像包括至少一幅参考影像和至少一幅浮动影像；获取三维影像的待配准区域，在所述参考影像的待配准区域内检测影像特征点，所述影像特征点为在邻域内能够与其他点的影像特征进行区分的点；以每个所述影像特征点为中心，得到预设大小的图像块；将所述图像块输入到相似性网络，得到所述浮动影像的对应范围内的相似性图；将所述影像特征点的坐标信息和对应的所述相似性图输入位移网络，得到位移向量；基于所述位移向量对无影像特征点区域进行插值，得到位移向量场；根据所述位移向量场对所述浮动影像进行空间变换，得到配准结果。

优选地，所述待配准区域通过人工交互确定，或根据图像的灰度阈值确定，或对图像中的特定结构进行自动检测分割确定。

优选地，所述影像特征点的获取方式包括：

从参考影像的待配准区域进行体素点采样，根据采样点邻域内的灰度方差和梯度值确定特征评分，将特征评分高于预设值的点作为影像特征点；

或，对参考影像的待配准区域中的特定结构进行分割，根据特定结构每个边界点与其周围的边界点的位置关系计算特征评分，将特征评分值大于预设值的点作为影像特征点。